JP6623119B2 - データ対応付け装置及び方法 - Google Patents
データ対応付け装置及び方法 Download PDFInfo
- Publication number
- JP6623119B2 JP6623119B2 JP2016106688A JP2016106688A JP6623119B2 JP 6623119 B2 JP6623119 B2 JP 6623119B2 JP 2016106688 A JP2016106688 A JP 2016106688A JP 2016106688 A JP2016106688 A JP 2016106688A JP 6623119 B2 JP6623119 B2 JP 6623119B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- vector
- correlation
- series
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Description
(1−1)本実施の形態によるデータ対応付け装置の構成
図1において、1は全体として本実施の形態によるデータ対応付け装置のハードウェア構成を示す。本データ対応付け装置1は、プロセッサ2、メモリ3、補助記憶装置4及び入出力インタフェース5を備えて構成される。
図3は、本実施例が対象とする、シェールオイル・ガス掘削の概要を示す。シェールオイル・ガス掘削では、油井40を下方向に掘り進め、シェール層に達したら、掘削方向を横に変える。41は掘削経路を示す。シェール層では、水圧破砕により岩盤に裂け目42を形成し、形成した裂け目42からオイル・ガスを抽出する。
図4は、本実施の形態によるテキストデータ27の構造例を示す。この図4の例の場合、テキストデータ27は、石を採取(サンプリング)した地点の深さの範囲(以下、これを第1の深さ範囲と呼ぶ)を表す文字列のデータからなる深さ範囲データ部50と、その第1の深さ範囲内の深さの地層においてサンプリングされた石の詳細説明のテキストのデータからなる詳細説明データ部51とから構成される。なお、ここでの「深さ」とは、油井40の入り口からの掘削経路長である。
一方、図7は、数値データ28の一例を示す。この図7は、ドリルに配設されたセンサにより計測された所定深さごとのガンマ線量を表す。数値データベクトル化部26は、このような数値データ28を上述のテキストデータ27の深さ範囲区分と同じ深さ範囲(例えば、0〜500〔m〕、500〜1000〔m〕、1000〜1500〔m〕、……)ごとに区分して、深さ範囲区分ごとに、その深さ範囲区分に属する複数の数値データ28をまとめてベクトル化する。
図10は、対応モデル学習部21の処理の概要を示す。図中、60はテキストデータ27のベクトル空間(以下、これをテキストベクトル空間と呼ぶ)、61は数値データ28のベクトル空間(以下、これを数値ベクトル空間と呼ぶ)をそれぞれ示す。テキストデータ27及び数値データ28の対応モデルを学習するために、テキストベクトル空間60上のテキストデータ27のベクトル(テキストデータベクトル)と、数値ベクトル空間61上の数値データ28のベクトル(数値データベクトル)とを共通のベクトル空間(以下、これを共通空間と呼ぶ)62に射影する。63及び64は、それぞれかかるテキストデータベクトルや数値データベクトルに対するかかる射影を行うための変換行列Lx,Lyである。
以上のようにして学習した対応モデルを用いることで、任意の対象データ29(図2)に対応する対応データ30(図2)を取得することができる。例えば、数値データ28からテキストデータ27を取得することができる。本実施の形態では、共通空間62で最も近いデータを検索し、その検索結果を対応データ30として出力する。
以上のように本実施の形態のデータ対応付け装置1において、対応モデル学習部21は、2つの地点が物理的に近いほど各要素が「1」に近づくような相関度(行列)を定義し、その相関度を利用して(2)式のように定義されたBと、(1)式のように定義されたAとの和が最小となるような対応モデルを学習する。
図1及び図2において、80は本実施の形態によるデータ対応付け装置を示す。本データ対応付け装置80は、プロセッサ2がデータベクトル化プログラム81を実行することにより具現化されるデータベクトル化部90のテキストデータベクトル化部91及び数値データベクトル化部92によるテキストデータ27や数値データ28のベクトル化方法が異なる点と、プロセッサ2が対応モデル学習プログラム82を実行することにより具現化される対応モデル学習部93が深層学習により対応モデルを学習する点とを除いて第1の実施の形態のデータ対応付け装置1と同様に構成されている。
なお上述の第1及び第2の実施の形態においては、任意の2つのデータ源(「i」という地点及び「j」という地点)の相関度として、これら2つのデータ源の物理的な距離を考慮するようにした場合について述べたが、本発明はこれに限らず、これらデータ源の距離に加えて又は代えて、これら2つのデータ源の掘削時期の差を考慮してこれらデータ源間の相関度を定義するようにしてもよい。任意の2つのデータ源の距離に代えてこれら2つのデータ源の掘削磁気の差を考慮した場合の相関度Wijの式の例を以下に示す。
Claims (10)
- 同一のデータ源から得られた第1及び第2の系列データの対応モデルを学習し、学習した前記対応モデルに基づいて、一方の前記第1又は第2の系列データに属する対象データを、他方の前記第2又は第1の系列データに属するデータと対応付けるデータ対応付け装置において、
同一の前記データ源から得られた前記第1及び第2の系列データをそれぞれベクトル化するベクトル化部と、
前記ベクトル化された前記第1及び第2の系列データに基づいて、前記第1及び第2の系列データの前記対応モデルを学習する対応モデル学習部と
を備え、
前記第1及び第2の系列データのうち、任意の2つの異なる前記データ源から取得されたデータ同士の相関の度合いである相関度が予め定義され、
前記対応モデル学習部は、
前記相関度を利用して前記対応モデルを学習する
ことを特徴とするデータ対応付け装置。 - 前記相関度は、
任意の2つの異なる前記データ源間の距離に応じて、当該距離が近くなるほど大きくなるように定義された
ことを特徴とする請求項1に記載のデータ対応付け装置。 - 前記対応モデル学習部は、
任意の2つの前記データ源からそれぞれ得られた前記第1及び第2の系列データのベクトルを射影した共通空間において、一方の前記データ源から得られた前記第1の系列データのベクトル及び他方の前記データ源から得られた前記第1の系列データのベクトル間の距離に前記相関度を乗算した値と、一方の前記データ源から得られた前記第2の系列データのベクトル及び他方の前記データ源から得られた前記第2の系列データのベクトル間の距離に前記相関度を乗算した値との和が最小となるように前記対応モデルを学習する
ことを特徴とする請求項2に記載のデータ対応付け装置。 - 前記距離は、前記データ源間の垂直方向及び水平方向の距離である
ことを特徴とする請求項3に記載のデータ対応付け装置。 - 前記相関度は、
任意の2つの異なる前記データ源の掘削時期に応じて、当該掘削時期が近いほど大きくなるように定義された
ことを特徴とする請求項1に記載のデータ対応付け装置。 - 同一のデータ源から得られた第1及び第2の系列データの対応モデルを学習し、学習した前記対応モデルに基づいて、一方の前記第1又は第2の系列データに属する対象データを、他方の前記第2又は第1の系列データに属するデータと対応付けるデータ対応付け装置において実行されるデータ対応付け方法であって、
前記データ対応付け装置が、同一の前記データ源から得られた前記第1及び第2の系列データをそれぞれベクトル化する第1のステップと、
前記データ対応付け装置が、前記ベクトル化された前記第1及び第2の系列データに基づいて、前記第1及び第2の系列データの前記対応モデルを学習する第2のステップと
を備え、
前記第1及び第2の系列データのうち、任意の2つの異なる前記データ源から取得されたデータ同士の相関の度合いである相関度が予め定義され、
前記第2のステップにおいて、前記データ対応付け装置は、
前記相関度を利用して前記対応モデルを学習する
ことを特徴とするデータ対応付け方法。 - 前記相関度は、
任意の2つの異なる前記データ源間の距離に応じて、当該距離が近くなるほど大きくなるように定義された
ことを特徴とする請求項6に記載のデータ対応付け方法。 - 前記対応モデル学習部は、
任意の2つの前記データ源からそれぞれ得られた前記第1及び第2の系列データのベクトルを射影した共通空間において、一方の前記データ源から得られた前記第1の系列データのベクトル及び他方の前記データ源から得られた前記第1の系列データのベクトル間の距離に前記相関度を乗算した値と、一方の前記データ源から得られた前記第2の系列データのベクトル及び他方の前記データ源から得られた前記第2の系列データのベクトル間の距離に前記相関度を乗算した値との和が最小となるように前記対応モデルを学習する
ことを特徴とする請求項7に記載のデータ対応付け方法。 - 各前記データ源は、それぞれ地層内に存在し、
前記距離は、前記データ源間の垂直方向の距離である
ことを特徴とする請求項8に記載のデータ対応付け方法。 - 前記相関度は、
任意の2つの異なる前記データ源の掘削時期に応じて、当該掘削時期が近ければ近いほど大きくなるように定義された
ことを特徴とする請求項6に記載のデータ対応付け方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016106688A JP6623119B2 (ja) | 2016-05-27 | 2016-05-27 | データ対応付け装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016106688A JP6623119B2 (ja) | 2016-05-27 | 2016-05-27 | データ対応付け装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017211950A JP2017211950A (ja) | 2017-11-30 |
JP6623119B2 true JP6623119B2 (ja) | 2019-12-18 |
Family
ID=60475468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016106688A Expired - Fee Related JP6623119B2 (ja) | 2016-05-27 | 2016-05-27 | データ対応付け装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6623119B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7109004B2 (ja) * | 2018-12-06 | 2022-07-29 | 日本電信電話株式会社 | 推定装置、推定方法、及びプログラム |
JP7230086B2 (ja) * | 2021-03-18 | 2023-02-28 | 三菱電機インフォメーションネットワーク株式会社 | 多形式データ解析システムおよび多形式データ解析プログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424960B1 (en) * | 1999-10-14 | 2002-07-23 | The Salk Institute For Biological Studies | Unsupervised adaptation and classification of multiple classes and sources in blind signal separation |
US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
CA3020551C (en) * | 2010-06-24 | 2022-06-07 | Arbitron Mobile Oy | Network server arrangement for processing non-parametric, multi-dimensional, spatial and temporal human behavior or technical observations measured pervasively, and related method for the same |
-
2016
- 2016-05-27 JP JP2016106688A patent/JP6623119B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2017211950A (ja) | 2017-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10036820B2 (en) | Expert guided knowledge acquisition system for analyzing seismic data | |
CN109416769B (zh) | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 | |
JP6791780B2 (ja) | 文章作成装置 | |
Al-Mudhafar et al. | Performance evaluation of boosting machine learning algorithms for lithofacies classification in heterogeneous carbonate reservoirs | |
US20220004919A1 (en) | Probability distribution assessment for classifying subterranean formations using machine learning | |
Dawson et al. | Impact of dataset size and convolutional neural network architecture on transfer learning for carbonate rock classification | |
US8364442B2 (en) | Automated structural interpretation | |
Younis et al. | Detection and annotation of plant organs from digitised herbarium scans using deep learning | |
US11428835B2 (en) | Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data | |
Chen et al. | A seismic fault recognition method based on ant colony optimization | |
JP6623119B2 (ja) | データ対応付け装置及び方法 | |
US20230194750A1 (en) | Subsurface lithological model with machine learning | |
NO20190214A1 (en) | Classifying well data using a support vector machine | |
CN113762320A (zh) | 通过学习测井记录来估计岩相的方法和设备 | |
Wang et al. | Automated gamma-ray log pattern alignment and depth matching by machine learning | |
Shi et al. | Finding an optimal well-log correlation sequence using coherence-weighted graphs | |
CN109583371A (zh) | 基于深度学习的陆标信息提取与匹配方法 | |
US20200308934A1 (en) | Automatic calibration of forward depositional models | |
US20150095279A1 (en) | Data analytics for oilfield data repositories | |
CA3106006C (en) | Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data | |
Misra et al. | Fracture Monitoring and Characterization Using Unsupervised Microseismic Data Analysis | |
CN105467447B (zh) | 相控趋势能量匹配的地震保幅评价方法 | |
CN115220100B (zh) | 一种碳酸盐岩水窜通道的分析方法及系统 | |
Al Ibrahim | Uncertainty in Automated Well-Log Correlation Using Stochastic Dynamic Time Warping | |
Ivlev | Expert-Independent Generalization of Well and Seismic Data Using Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage Geological Exploration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181121 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191029 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191112 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191125 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6623119 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |